FASE 3

CONCEPTOS DE PROBABILIDAD

PRESENTADO POR:

ANGIE TATIANA GIL BARRETO

CODIGO: 1.120.505.732

PRESENTADO A:

HECTOR FABIO LOPEZ

TUTOR

GRUPO:

300046_85

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS AGRARIAS, PECUARIAS Y DE MEDIO AMBIENTE

ESTADÍSTICA DESCRIPTIVA

2019
Introducción

De acuerdo al estudio de la estadística entre sus objetivos implica conocer de

manera cuantitativa determinada parte de la realidad, por esto se hace necesario
construir un modelo particular del objeto de estudio; en este sentido la probabilidad
se caracteriza en la forma medible de diferentes valores donde se asigna a cada
posible resultado de un experimento aleatorio determinada probabilidad. Las
distribuciones de probabilidad están relacionadas con la distribución de
frecuencias; debido a que la distribuciones tratan sobre expectativas de que algo
suceda, resultan ser modelos útiles para hacer inferencias y tomar decisiones de
incertidumbre una distribución; por ello la distribución de frecuencias teórica es
una distribución de probabilidades que describe la forma en que se espera que
varíen los resultados.
Objetivo General:

Interpretar los fundamentos de los tipos de variables estadísticas cuantitativas y

cualitativas, en cuanto a su forma de procesamiento y su desarrollo.

Objetivos específicos:

• Realizar una variable cuantitativa continua, discreta y una variable

cualitativa acorde a la carrera del estudiante.

• Realizar una análisis de cada variable, teniendo en cuenta la

representación grafica.

• Establecer claramente el concepto básico de las definiciones básicas de la

estadística.

• Distinguir correctamente los conceptos de las diferentes variables.

• Entender las principales áreas del conocimiento donde se aplica la

metodología de las variables y sus conceptos de la Estadística.

• Estudiar la necesidad que se tiene como estudiante de distribuir y presentar

los datos en cuadros o tablas de distribución de frecuencias el programa R,

• Distinguir datos cualitativos, datos cuantitativos y datos continuos.

• Usar correctamente los diferentes sistemas para elaborar tablas de

distribución.
1. Definir los siguientes conceptos tomados del libro de Balazarini se aclara que
para la presente actividad el estudiante debe consultar el capítulo dos variables
aleatorias y probabilidades y el capítulo tres modelos probabilísticos. Antes de
iniciar se debe ver la presentación PROBABILIDADENR disponible en power
point con audio les explica como ubicar los archivos y unos conceptos básicos.
Para el desarrollo del ejercicio de los dados se debe descargar
CODIGODADOS y ejecutarlo desde R

Espacio muestral y con qué letra se denota

Consiste en el conjunto de todos los posibles resultados de un experimento

aleatorio, junto con una estructura sobre el mismo, usualmente denotado con la
letra griega omega ().

Punto muestral

Se denomina punto muestral a cada uno de los posibles resultados de un estudio

aleatorio, es decir a cada elemento de  .

Evento muestral

Se llama evento a cualquier subconjunto de elementos de  Por ejemplo,

supongamos un experimento aleatorio donde se tiran dos dados y se registran los
resultados de cada dado. Todos los pares de números del 1 al 6 conforman el
espacio muestral. Un evento de , puede ser “que salga un seis en un dado y un
seis en el segundo dado”; otro evento puede ser “que salga un seis en un dado y
cualquier otro número distinto de seis en el otro dado”. Este segundo evento está
constituido por más puntos muestrales y por tanto será más probable de ocurrir.

Explique en sus propias palabras el experimento aleatorio del dado deben

descargar el CODIGODADO disponible en la siguiente columna. El
estudiante debe entender que, aunque no es un experimento agropecuario
nos ayuda a entender los conceptos planteados.

En este ejercicio de códigos tenemos dos dados hay que lanzarlos primero
iniciamos con 1, luego con dos, tres, cuatro, cinco y por ultimo seis; vemos que
hay 36 resultados este es el espacio muestral y la probabilidad siempre tendrá
denominador 36, si se saca dos números pares son eventos como puede ser (1,1),
(2,2),(3,3),(4,4),(5,5),(6,6) Tendríamos 6 resultados de éxito de 36 puntos del
espacio muestral y la probabilidad será igual 6/36 = 0.166 ósea 16,6% es la
probabilidad de sacar dos números iguales, sumamos los valores de las parejas y
el resultado sumando seria 2, 4, 6, 8, 10, 12. Es un ejemplo que lo podemos
aplicar en las ciencias agrarias.

Defina Variable aleatoria

Es una función que asocia a cada elemento del espacio muestral  un número
real y luego a cada uno de estos valores le asignaremos probabilidades de
ocurrencia.

¿Qué significa que el espacio muestral de una variable aleatoria continua es

no contable?

Significa que entre dos valores de la variable, pueden realizarse un número

infinito de otros valores. Además, si el espacio muestral es continuo, la diferencia
entre valores de la variable está definida aritméticamente. Ejemplo de variables
aleatorias con espacios muéstrales con estas características son los rendimientos,
las ganancias de peso, las precipitaciones, entre otras.
¿Qué son variables aleatorias discretas proporcionales y que son variables
aleatorias discretas de conteo no acotado? De ejemplos este tipo de
variables.

Las variables discretas son siempre contable, es decir puede ser teóricamente
enumerado, aún si éste es infinitamente grande o no está acotado. Por ejemplo, el
número de nematodos por hectárea registrado a partir de una muestra aleatoria de
hectáreas en producción de papas, podría no tener un valor límite. En las variables
discretas, es posible contar el número de veces que un determinado valor ocurre
en el espacio muestral. Y las variables aleatorias discretas de conteo no acotado
provienen de conteos que no pueden superar el número de elementos evaluados,
Ejemplo de una variable discreta expresada como proporción es el número de
semillas germinadas en cajas de Petri con 25 semillas cada caja; los resultados se
expresan como proporciones porque existe un denominador natural: la Variables
aleatorias y probabilidades 67 cantidad de semillas por caja. Ejemplo de variable
discreta obtenida por un conteo (no acotado) es el número de pústulas de roya por
m2 de cultivo.

Existe dos conceptos de probabilidad el clásico y concepto frecuencial,

defina cada uno, en el caso del frecuencial explique el experimento de
germinación de una semilla cuál es el experimento aleatorio, cuál es el
evento, cuántos puntos muéstrales tiene.

Probabilidad clásico: es Cuando  es finito (el número de puntos muestrales es

contable) se puede dar una definición de probabilidad que se basa en la
observación de los elementos del espacio muestral. Ésta se desarrolló
originariamente estudiando los juegos de azar. y se conoce como el concepto o
enfoque clásico de probabilidad: Si A es un subconjunto de puntos muestrales de
, entonces la probabilidad de ocurrencia del evento A, denotada por P(A) es:

Numero de puntos muestrales favorables

P ( A )=
Numero total de puntos muestrales en el espacio muestral
Probabilidad frecuencial: es distinta ya que se refiere a una serie repetida de
estudios aleatorios. Generalmente se usa cuando el espacio muestral es infinito y
por tanto no se pueden enumerar todos los resultados posibles del estudio. Así, se
repite el estudio un número grande de veces y se registra la frecuencia relativa de
ocurrencia de cada resultado, la que es luego usada como un estimador de
probabilidad.

La germinación de una semilla es un experimento aleatorio (puede germinar o

no). Supongamos que con A se representa el evento 68 “encontrar la semilla
germinada”. Si se observan 1000 semillas, es decir se repite 1000 veces el ensayo
de germinación (N=1000) en condiciones tales que cada observación no afecte a
las otras y 600 semillas germinan (nA=600), se dice que la probabilidad estimada
de observar una semilla germinada, está dada por:

n A 600
P ( A )=P ( observar una semilla germinada )= = =0,6
N 1000

¿Qué diferencia existe entre el concepto de frecuencia relativa y el de

probabilidad?

Las frecuencias se entienden como probabilidades sólo cuando N tiende a infinito.

Si el número de veces que se repite un experimento no es grande, entonces
hablaremos de frecuencia relativa y diremos que ésta “aproxima” una probabilidad.

¿Que son eventos mutuamente excluyentes?, como es la intersección de

dos eventos mutuamente excluyentes, si son excluyentes, dado un evento A
y uno B, a que es igual la P(AUB)?

Dos eventos son mutuamente excluyentes si cada uno está formado por puntos
muéstrales distintos, es decir no existe ningún punto muestral en la intersección de
los subconjuntos que representan los eventos y, por la teoría de conjuntos, se
tiene: Si A y B son dos eventos de , la unión de eventos conforma un nuevo
conjunto, que contiene a los puntos muéstrales de A y de B. La unión de A y B se
denota por AB. Si A y B son dos eventos de , la intersección de eventos
conforma un nuevo conjunto, que contiene a los puntos muéstrales que
simultáneamente pertenecen al subconjunto A y al subconjunto B. Denotaremos la
intersección de A y B con A  B.

La P(AUB) es igual Cuando dos eventos son excluyentes, la intersección es cero

y por tanto la probabilidad de la unión de esos eventos, P(AB), es la suma de las
probabilidades de cada evento. Por el contrario, si la intersección no es vacía, la
probabilidad de la unión de eventos es la suma de las probabilidades de cada
evento, menos la probabilidad de la intersección.

En el caso de distribuciones de variables aleatorias cuando una variable es

continua y simétrica que modelo se usa.

El uso del modelo Normal.

Para una variable de conteo no acotado que modelo se utiliza?

El modelo Poisson.

Para variables de proporciones que modelo se utiliza?

El modelo probabilístico Binomial.

Que variables tienen función de probabilidad y que variables tienen función

de densidad.

La función de distribución de probabilidad de una variable aleatoria discreta y la

función de densidad de una variable aleatoria continua denotada como f(.)

Cuáles son los parámetros más usados en estadística para estudiar y utilizar
funciones de distribución de variables aleatorias.

 El valor esperado y la varianza son los parámetros más usados en estadística

para estudiar y utilizar funciones de distribución de variables aleatorias.
 El valor esperado, formaliza la idea de valor medio de un fenómeno aleatorio.
 La varianza formaliza la idea de incertidumbre y su recíproco la idea de
precisión, más varianza indica más incertidumbre sobre el fenómeno y menor
precisión de las conclusiones que podemos elaborar desde los datos que lo
caracterizan.

Que es la esperanza matemática de una variable aleatoria, como se denota?

La esperanza matemática de una variable aleatoria, usualmente denotada por E(.)

o la letra griega Mu (µ) es, desde un punto de vista intuitivo, un promedio de los
valores asumidos por la variable, donde cada valor es ponderado por su
probabilidad de ocurrencia . Que es La varianza de una variable aleatoria, como
se denota? La varianza es un parámetro que tiene un valor pequeño cuando la
mayoría de los valores de la variable se encuentran cerca de la esperanza y crece
a medida que éstos se desvían del centro de la distribución. Por ejemplo, la
varianza es cero si todos los datos son exactamente iguales. La varianza de una
variable aleatoria, denotada por Var(.) o la letra griega Sigma al cuadrado ( 2  ),
es una medida de dispersión. Su raíz cuadrada, denominada desvío estándar (  )
es usada para expresar la dispersión en término de diferencias (o desvíos) de
cada dato respecto a la esperanza.

DISTRIBUCION NORMAL

 Qué tipo de histograma se seleccionar un modelo probabilístico para una

variable aleatoria continua cuando se tienen datos de esa variable

Para seleccionar un modelo probabilístico para una variable aleatoria continua

cuando se tienen datos de esa variable, es recomendable graficar un histograma
de frecuencias relativas y observar la forma del mismo

 Que es la estandarización, cuál es su fórmula

Nos permite llevar cualquier distribución normal a la distribución normal estándar.

La transformación, estandarización, tiene la siguiente forma:

Y −μ
Z=
√ σ2
Donde Y es el valor de la variable aleatoria que define el evento de interés,  y 2 
son la media y la varianza de la distribución de Y. La nueva variable aleatoria Z,
obtenida mediante estandarización de Y, se distribuye normal con media cero y
varianza uno, es decir, normal estándar.

Siguiendo el ejemplo del rendimiento de un híbrido, para obtener la probabilidad

de encontrar valores de rendimientos entre 50 y 65 qq/ha se deberá calcular:

50−60
Z1 = =−1,4286
√ 49
65−60
Z2 = =0,7143
√ 49
DISTRIBUCIÓN BINOMIAL

 Qué tipo de conteos se trabajan con la distribución Binomial

La distribución Binomial puede usarse para el cálculo de probabilidades de

eventos provenientes de conteos acotados.

 En la distribución binomial que es n y que es P.

Se supone que se realizan cierto número (n) de experimentos aleatorios y en

cada experimento se registra uno de dos resultados posibles, éxito o fracaso
donde el éxito tiene una cierta probabilidad (P) de ocurrencia (este ensayo con
resultado binario se conoce como ensayo Bernoulli).

Donde P es la probabilidad de éxito y por lo tanto pertenece al intervalo [0;1] y n

es el número de ensayos Bernouille independientes.

 A que es igual la esperanza y la varianza en esta distribución.

Por ejemplo, si se tira 20 veces una moneda, y se quiere calcular la probabilidad

de obtener 12 caras, es decir, P (Y = 12), esta será:
La esperanza de la variable Y=número de lanzamientos que resultan en cara es
igual a 20x0,5=10 y la varianza de Y es 20x0,5x0,5=5.

DISTRIBUCION DE POISSON

 Que tipos de conteos se trabaja con la distribución de Poisson.

La distribución de Poisson también sirve como modelo probabilístico para

variables discretas de tipo conteo. Los conteos se refieren al número de veces que
un evento ocurre en una unidad de tiempo o espacio dada (hora, kilo, m2 , m3 ,
planta, etc.) y por tanto los valores de la variable no están acotados.

 En agronomía se usa para que tipo de conteos, les recuerdo los ácaros por
ejemplo se pueden trabajar con esta distribución.

En Agronomía, la distribución Poisson suele usarse para modelar el número de

insectos sobre una planta, o en un golpe de red, el número de manchas
defectuosas en un mosaico, o en un metro cuadrado de piso, el número de
colémbolos en 100 g de suelo, o en 1000 cm3 de suelo o el número de coliformes
en 1 ml de agua, entre otros conteos de interés.

 Como se denota el único parámetro de esta distribución, a que es igual la

media y la varianza.

Como puede observarse desde la función, el único parámetro de la distribución

Poisson es . Si una variable aleatoria Y se distribuye como Poissson lo
denotamos como: Y~ Poisson(). Esta distribución tiene un único parámetro, que
representa la esperanza y también a la varianza, es decir que cuando Y~
Poisson(), se cumple: La propiedad de esperanza igual a varianza de la
distribución Poisson implica que al aumentar el promedio de los conteos, aumenta
también su varianza. La varianza de una Poisson es función de la media.
 Revisando el ejercico de la table 3.1 del libro de Balzarini como se obtiene λ en
este caso a que es igual la media y la varianza

En este caso la medida es  son el promedio de los conteos del Número de

granos partidos por kilo y la varianza es Número de muestras con dicha cantidad.

=
[ (10 x 3 ) + ( 20 x 6 ) + ( 30 x 10 )+ ( 40 x 20 ) + ( 50 x 60 )+ ( 60 x 5 ) ] = 870 =37 Es decir como
50 50
resultado la medida y la varianza es igual al promedio que se esperan 37 granos
partidos por kilogramos de arroz
2. Aplicación de conceptos EN EL CAPITULO 2 EN EL EJERCICIO APLICACIÓN Y PAGINAS SIGUIENTES

Estudie el ejercicio de velocidad del viento de la del texto y explicar por qué hay un sitio mejor para el objeto del estudio,
pueden tomar pantallazos del gráfico.

A través del espacio muestral obtenido a través del muestreo de los datos conseguidos con los estudios de la velocidad
del viento en ambos extremos tanto norte como sur, logramos graficar el comportamiento del viento en ambos lugares y
así encontrar la probabilidad a través de la distribución empírica, vemos que la mediana en el norte es 48 Km/h y en el
sur no pasa de 29 Km/h, relacionando esto con la velocidad que se necesita para lograr su objetivo el aerogenerador,
vemos que es mejor su instalación en la parte norte.

Desarrolle el ejercicio 2.1 del texto de Balzarini y en el caso del punto e revise la presentación de probabilidad en R. En
este caso se requiere obtener la tabla de frecuencias relativas f(y) y la tabla de frecuencias relativas acumuladas que es
la misma F(Y), este ejercicio se puede desarrollar en una tabla de Word.

Ejercicio 2.1

 Supongamos que se toma una muestra aleatoria con reposición de tamaño n=2 a partir del conjunto {1,2,3} y se
produce el siguiente espacio muestral con 9 puntos muéstrales:

Ω={(1,1) ,(1,2),(1,3),(2,1) ,(2,2) ,(2,3),(3,1),(3,2) ,(3,3)}

 Supongamos además que definimos la variable aleatoria Y=suma de los dos números, que conforma un nuevo
espacio probabilístico y que estamos interesados en los siguientes eventos:

El evento A conformado por los puntos muestrales cuya suma sea un número par, es decir,

A={(1,1),(1,3) ,(2,2) ,(3,1),(3,3)} y P( A)=5 /9

El evento B conformado por los puntos muestrales cuya suma sea un número impar, siendo

B={(1,2), (2,1) ,(2,3),(3,2)} y P(B)=4 /9

El evento C conformado por los elementos cuya suma es 5.

Solución:

 ¿Qué tipo de concepto de probabilidad aplicaría para calcular probabilidades?

Cuando Ω es finito (el número de puntos muestrales es contable) se puede dar una definición de probabilidad que se
basa en la observación de los elementos del espacio muestral. Ésta se desarrolló originariamente estudiando los juegos
de azar. y se conoce como el concepto o enfoque clásico de probabilidad.
 Los eventos A y B, ¿Son independientes?

20
Son Dependientes; P ( A ∩ B )=P ( A )∗P ( B )=
pues este resultado no es igual a la intersección existente entre ambos
81
subconjuntos mientras que ya sabemos que la intersección entre estos eventos es de 0; al no dar el mismo resultado se
obtiene la razón de la dependencia. Y a su vez la razón de ser mutuamente excluyentes

 ¿Cuál es la probabilidad de que ocurra A o B?

Solución del evento C

C=( 2,3 ) ( 3,2 ) y P ( c )=2/9

5 4 9
P ( AUB )=P ( A ) + P ( B ) = + =
9 9 9
 ¿Cuál es la probabilidad de que ocurra B o C?

4 2 2 4
P ( BUC )=P ( B ) + P (C )−P ( B∩ C ) = + − =
9 9 9 9

Tabla de frecuencias. F(Y).

y f(y) F(y)
2 f(2)= 1/9 F ( 2 )=1/9
3 f(3) = 2/9 1 2
F ( 3 ) = + =3 /9
9 9
4 f(4)= 3/9 1 2 3
F ( 4 ) = + + =6/9
9 9 9
5 f(5)= 2/9 1 2 3 2 8
F ( 5) = + + + =
9 9 9 9 9
6 f(6)= 1/9 1 2 3 2 1
F ( 6 )= + + + + =1
9 9 9 9 9

Desarrolle el ejercicio 2.3 del texto de Balzarini, para el desarrollo de este punto puede usar Excel y es una variable
discreta, la cantidad de días es la frecuencia absoluta, hay que sacar f(y) que es la frecuencia relativa, de las frecuencias
relativas salen las probabilidades de cada valor de la variable número de tractores vendidos, en el caso de tres o más se
suma la de tres y la de cuatro pues no hay más.
Los siguientes datos corresponden a la venta de tractores que registra una empresa de maquinarias agrícolas en los días
laborables del último año:

Tractores vendidos Cantidad de días

0 110

1 80

2 35

3 25

4 10

Total 260

 ¿Cuál es la variable en estudio?

 ¿Cuántos resultados posibles tiene la variable? ¿Qué tipo de variable es?
 ¿Cuál es la probabilidad de que hoy no venda ningún tractor?
 ¿Cuál es la probabilidad que un día, seleccionado al azar dentro de los días laborables del año, venda 3 o más
tractores?
 ¿Cuál es la probabilidad que en los próximos dos días venda 3 tractores?
Solución:
 Tractores vendidos Frecuencia Frecuencia
(absoluta) (relativa)
0 110 0.42307
1 80 0.3076
2 35 0.134
3 25 0.096
4 10 0.038
Total 260 1
 ¿Cuál es la variable en estudio?

Números de tractores vendidos en el último año

 ¿Cuántos resultados posibles tiene la variable? ¿Qué tipo de variable es?

Tiene 5 resultados y la variable se puede denotar que es de tipo discreta.

 ¿Cuál es la probabilidad de que hoy no venda ningún tractor?

110
0 tractores= =0.4230769
260

 ¿Cuál es la probabilidad que un día, seleccionado al azar dentro de los días laborables del año, venda 3 o más
tractores?
 0 110 0.42307
1 80 0.3076
2 35 0.134
0.86251

3 tractores o mas=1−0.86521=0.13479

 ¿Cuál es la probabilidad que en los próximos dos días venda 3 tractores?

2 1
Probabilidad de veder 3 tractores= = =7.6923e-3
260 130

El estudiante debe revisar la presentación PROBABILIDAD EN R El estudiante debe descargar en su carpeta de trabajo
el archivo Excel PROBABILIDAD.

csv y el código CODIGOPROBABILIDAD, debe verificar lectura de la carpeta y correr el respectivo código. En este caso
el código explica como seleccionar las variables y el programa las lee del archivo PROBABILIDAD Cada estudiante
debe correr el modelo para una variable discreta y una continúa dando conclusiones de lo encontrado acorde a su
profesión. ¿cuál es conteo de más alta probabilidad? ¿En el caso de la variable continua el 50% de los datos de sus
variables serán menores ó iguales a que a valor?

Variable cuantitativa continua: Material particulado (PM4)

 Como se
observa en la
gráfica
relacionada para esta tipo de variable continua que es el material particulado se evidencia que el valor de su media es de
19,5; lo cual indica que los valores debajo de la línea roja son menores o iguales a 19,5; por lo que este ocupa un 50% en
el espacio muestral, el valor máximo es de 9 y de 30

Variable continua discreta: Hogares con sistema de ahorro de agua 4 (H4)

Para el conteo de hogares con sistemas de ahorro de agua 4 se evidencia que su máxima frecuencia relativa es igual en
este caso a su máxima probabilidad que es la de grupo 10 y 12 que cuenta con una probabilidad menor o igual al 0.007, a
su vez se evidencia que su valor mínimo es 5 y su máximo es 30 respecto a los valores estadísticos.

3. En este punto se pretende que el estudiante aprenda a aplicar modelos probabilísticos debe revisar en el capítulo tres
modelos probabilísticos, en este los ejercicios de aplicación de los modelos normal, binomial y Poisson, para lo cual
 el estudiante debe descargar el código MODELOS y ubicarlo en la carpeta estadística descriptiva, para correrlo desde
el programa R

MODELO NORMAL
Deben revisar en el texto el ejercicio de las vacas del tambo en el texto, en el código de MODELOS, deben correr el
código para este ejercicio que esta con los datos del texto, adicionalmente deben hacer la gráfica de la función de
densidad con una media de 28 y 23 ambas con una varianza de 10 misma varianza en ambos casos, y hacer el ejercicio
con un media de 32 y dos varianzas una de 10 y otra de 8, es el caso de la misma media y dos varianzas, que pasa
cuando se cambia le media y hay la misma varianza, hacia donde se desplaza la figura y que pasa cuando se cambia la
varianza en que se afecta la figura.
La distribución roja que es la segunda distribución muestra que existe una diferencia con respecto a la primera en sus
valores de dispersión, por ende, esta corre hacia al lado izquierdo, pero manteniendo la misma frecuencia.

Al igual que en el anterior punto la distribución que se muestra en la curva roja permanece en el mismo lugar, pero su
final es más largo indica que su dispersión maneja mayor espacio muestral y su frecuencia difiere en un dato mayor que
la de la primera frecuencia que forma la línea azul, por ende la gráfica corre un poco hacia arriba pero se alarga hacia la
izquierda
En el texto revisar
el ejercicio de
los híbridos de
maíz y en el código
MODELOS
correr el código para
los datos
registrados en
este código que
son los mismos del
libro,

adicionalmente determinar la probabilidad de un valor entre 62 y 51 para el rendimiento, también la probabilidad de un

valor menor de 59 y un valor mayor a 53.
El valor de la probabilidad para un rango de valores entre 59 y 53 es de 0.5131801
El valor de la probabilidad para un valor mayor de 53 es de 0.8413447
El valor de la probabilidad para un valor menor de 59 es de 0.4432015
MODELO BINOMIAL

En el texto deben revisar en tema de modelo binomial el ejercicio de la germinación de semillas de panicum correrlo con
los datos del código MODELOS que son los mismos del libro, adicionalmente CON AYUDA DEL CÓDIGO determinar la
probabilidad de germinar 5 semillas, por lo menos cuatro y a lo sumo 4.
Probabilidad de 5 semillas es de 0.0583992
Probabilidad de al menos 4 semillas es de 0.7758751
MODELO POISSON
Probabilidad de a lo sumo 4 semillas es de 0.9218731
El estudiante debe revisar del texto el ejercicio de las picaduras del Gorgojo, correr el código MODELOS que está con los
datos del texto, y adicionalmente determinar cuantas de 100 semillas tendrán 3 picaduras y cuantas 6 o más, en este
caso saque las probabilidades de 0,1,2,3,4,5 las suma y se las resta a uno.
 Conclusión
Una vez desarrollado el tema sobre probabilidades se puede llegar a las siguientes conclusiones: A través de esas
construcciones teóricas, se podrá experimentar sobre aquello que la realidad no permitía; se usa extensamente en áreas
como la estadística, la física, la matemática, la ciencia para lograr conclusiones sobre la probabilidad de sucesos
potenciales en sistemas complejos. Debido a la necesidad de modelar lo observable la probabilidad constituye un
importante parámetro en la determinación de las diversas casualidades obtenidas tras una serie de eventos esperados
dentro de un rango estadístico; un modelo resulta extremadamente útil, siempre que se corresponda con la realidad que
pretende representar o predecir; por ello es necesario conocer cada distribución de la probabilidad en el casos especifico,
sus usos y formas de aplicarlas.

Bibliografías

 Balzarini, M. (2013). Estadística y biometría: Ilustraciones del uso e infostat en problemas de agronomía. Disponible
en http://www.agro.unc.edu.ar/~mcia/archivos/Estadistica%20y%20Biometria.pdf
 Documento PDF [Consulta: mayo 4, 2019] Distribuciones de probabilidad[Documento en Línea]
http://www.monografias.com/trabajos84/distribucion- exponencial/distribución-exponencial